电荷负载分解（NILM）评价指标代码详解

有关NILM中的评价指标的解释请看我们另外一篇博文
，下面简单解释一下代码实现，代码为python版本。

import numpy as np

def tp_tn_fp_fn(states_pred, states_ground):  # 定义tp,tn,fp,fn,np.logical_and为逻辑与
    tp = np.sum(np.logical_and(states_pred == 1, states_ground == 1),axis = 0).reshape([1,-1])  //
    fp = np.sum(np.logical_and(states_pred == 1, states_ground == 0),axis = 0).reshape([1,-1])
    fn = np.sum(np.logical_and(states_pred == 0, states_ground == 1),axis = 0).reshape([1,-1])
    tn = np.sum(np.logical_and(states_pred == 0, states_ground == 0),axis = 0).reshape([1,-1])
    return tp, tn, fp, fn

def recall_precision_accuracy_f1(pred,ground):
    thresh = [100,50,20,200]  # 电器功率的阈值，超过该功率则该电器处于开状态，否则为关状态，列表中的每一个元素代表了一种电器的阈值
    sum_samples = pred.shape[0]  # 预测序列的总长
    pr = np.array([0 if pred[i][j] < thresh[j] else 1 for i in range(pred.shape[0]) for j in range(pred.shape[1])]).reshape([pred.shape[0],pred.shape[1]]) # 利用阈值将实际的消耗功率转换成0-1状态，这个是预测序列的转换
    gr = np.array([0 if ground[i][j] < thresh[j] else 1 for i in range(ground.shape[0]) for j in range(pred.shape[1])]).reshape([pred.shape[0],pred.shape[1]]) # 真实序列的转换
    tp,tn,fp,fn = tp_tn_fp_fn(pr,gr)  #根据真实序列和预测序列的0-1状态值得到tp,tn,fp,fn，用于评估指标的计算
    res_recall = recall(tp,fn)
    res_precision = precision(tp,fp)
    res_f1 = f1(res_precision,res_recall)
    res_accuracy = accuracy(tp,tn,sum_samples)
    return (res_recall,res_precision,res_accuracy,res_f1)


def recall(tp,fn):  #召回率
    return tp / (tp + fn)

def precision(tp,fp): # 精确度
    return tp / (tp + fp)

def f1(prec,rec): // f1值
    return 2 * (prec * rec) / (prec + rec)

def accuracy(tp,tn,samples):  #准确率
    return (tp + tn) / samples

def mean_absolute_error(pred,ground):  #平均绝对误差
    sum_samples = pred.shape[0]  # 预测序列的总长
    total_sum = np.sum(abs(pred - ground),axis = 0)
    return total_sum / sum_samples

def get_sae(pred,ground):  # signal aggregate error
    sample_period = 60  # 采样周期为60s，这个根据实际数据的采样周期进行相应的修改。如REDD中的采样周期有3s的，wikienergy数据的采样周期为60s，UK—DALE的采样周期又是不同的。

    r = np.sum(ground * sample_period * 1.0 / 3600,axis = 0)
    rhat = np.sum(pred * sample_period * 1.0 / 3600,axis = 0)
    return np.abs(r - rhat) / np.abs(r)

我的输入数据是这样的，pred和groud 均是numpy格式的ndarray格式的矩阵或者数组，如果是矩阵的话，矩阵的每一列表示的是单个电器的历史消耗功率值，如pred.shape = (40000,5),40000表示的是历史的测试样本的个数，5表示的是五种电器。